![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
python
文章平均质量分 90
言成苟文
这个作者很懒,什么都没留下…
展开
-
LeetCode腾讯50题-Day13-160/169/206
LeetCode50题(17天)-Day13160 相交链表题号:160难度:简单https://leetcode-cn.com/problems/intersection-of-two-linked-lists/编写一个程序,找到两个单链表相交的起始节点。如下面的两个链表:在节点 c1 开始相交。示例 1:输入:intersectVal = 8, listA = [4,1,8,4,5], listB = [5,0,1,8,4,5], skipA = 2, skipB = 3原创 2021-01-24 15:50:07 · 158 阅读 · 2 评论 -
LeetCode腾讯50题-Day11-136/141/142
LeetCode50题(17天)-Day11136 只出现一次的数字题号:136难度:简单https://leetcode-cn.com/problems/single-number/给定一个非空整数数组,除了某个元素只出现一次以外,其余每个元素均出现两次。找出那个只出现了一次的元素。说明:你的算法应该具有线性时间复杂度。 你可以不使用额外空间来实现吗?示例 1:输入: [2,2,1]输出: 1示例 2:输入: [4,1,2,1,2]输出: 4实现第一种:通过集合原创 2021-01-22 20:08:52 · 222 阅读 · 0 评论 -
异常检测(四)--- 基于相似度的方法
四、基于相似度的方法1、概述“异常”通常是一个主观的判断,什么样的数据被认为是“异常”的,需要结合业务背景和环境来具体分析确定。实际上,数据通常嵌入在大量的噪声中,而我们所说的“异常值”通常指具有特定业务意义的那一类特殊的异常值。噪声可以视作特性较弱的异常值,没有被分析的价值。噪声和异常之间、正常数据和噪声之间的边界都是模糊的。异常值通常具有更高的离群程度分数值,同时也更具有可解释性。在普通的数据处理中,我们常常需要保留正常数据,而对噪声和异常值的特性则基本忽略。但在异常检测中,我们弱化了“噪声”和原创 2021-01-21 16:14:48 · 641 阅读 · 0 评论 -
LeetCode腾讯50题-Day10-121/122/124
LeetCode50题(17天)-Day10121 买卖股票的最佳时机题号:121难度:简单https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock/给定一个数组,它的第 i 个元素是一支给定股票第 i 天的价格。如果你最多只允许完成一笔交易(即买入和卖出一支股票),设计一个算法来计算你所能获取的最大利润。注意你不能在买入股票前卖出股票。示例 1:输入: [7,1,5,3,6,4]输出: 5解释: 在第 2原创 2021-01-21 15:36:31 · 178 阅读 · 0 评论 -
LeetCode腾讯50题-Day9-88/89/104
LeetCode50题(17天)-Day888 合并两个有序数组题号:88难度:简单https://leetcode-cn.com/problems/merge-sorted-array/给定两个有序整数数组 nums1 和 nums2,将 nums2 合并到 nums1 中,使得 num1 成为一个有序数组。说明:初始化 nums1 和 nums2 的元素数量分别为 m 和 n。你可以假设 nums1 有足够的空间(空间大小大于或等于 m + n)来保存 nums2 中的元素。原创 2021-01-20 16:28:57 · 144 阅读 · 0 评论 -
LeetCode腾讯50题-Day8-62/70/78
LeetCode50题(17天)-Day862 不同路径题号:62难度:中等https://leetcode-cn.com/problems/unique-paths/一个机器人位于一个 m x n 网格的左上角 (起始点在下图中标记为“Start” )。机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为“Finish”)。问总共有多少条不同的路径?例如,上图是一个7 x 3 的网格。有多少可能的路径?说明:m 和 n 的值均不超过 100。示例 1原创 2021-01-19 14:59:35 · 142 阅读 · 0 评论 -
异常检测(三)---线性模型
三、线性模型1、引言真实数据集中不同维度的数据通常具有高度的相关性,这是因为不同的属性往往是由相同的基础过程以密切相关的方式产生的。在古典统计学中,这被称为——回归建模,一种参数化的相关性分析。一类相关性分析试图通过其他变量预测单独的属性值,另一类方法用一些潜在变量来代表整个数据。前者的代表是 线性回归,后者一个典型的例子是 主成分分析。本文将会用这两种典型的线性相关分析方法进行异常检测。需要明确的是,这里有两个重要的假设:假设一:近似线性相关假设。线性相关假设是使用两种模型进行异常检测的重要理论原创 2021-01-18 15:23:18 · 326 阅读 · 0 评论 -
LeetCode腾讯50题-Day6-43/46/53
LeetCode50题(17天)-Day643 字符串相乘题号:43难度:中等https://leetcode-cn.com/problems/multiply-strings/给定两个以字符串形式表示的非负整数 num1 和 num2,返回 num1 和 num2 的乘积,它们的乘积也表示为字符串形式。示例 1:输入: num1 = "2", num2 = "3"输出: "6"示例 2:输入: num1 = "123", num2 = "456"输出: "56088"示原创 2021-01-17 20:01:26 · 173 阅读 · 0 评论 -
异常检测(二)---基于统计学的方法
二、基于统计学的方法1、概述统计学方法对数据的正常性做出假定。它们假定正常的数据对象由一个统计模型产生,而不遵守该模型的数据是异常点。统计学方法的有效性高度依赖于对给定数据所做的统计模型假定是否成立。异常检测的统计学方法的一般思想是:学习一个拟合给定数据集的生成模型,然后识别该模型低概率区域中的对象,把它们作为异常点。即利用统计学方法建立一个模型,然后考虑对象有多大可能符合该模型。根据如何指定和学习模型,异常检测的统计学方法可以划分为两个主要类型:参数方法和非参数方法。参数方法 假定正常的数据原创 2021-01-15 21:34:08 · 714 阅读 · 0 评论 -
LeetCode50题-Day5-23/26/33
LeetCode50题(17天)-Day423 合并 k 个排序链表题号:23难度:困难https://leetcode-cn.com/problems/merge-k-sorted-lists/合并 k 个排序链表,返回合并后的排序链表。请分析和描述算法的复杂度。示例:输入:[ 1->4->5, 1->3->4, 2->6]输出: 1->1->2->3->4->4->5->6实现第一种:原创 2021-01-15 21:10:18 · 157 阅读 · 2 评论 -
LeetCode50题-Day4-16/20/21
LeetCode50题(17天)-Day416 最接近的三数之和题号:16难度:中等https://leetcode-cn.com/problems/3sum-closest/给定一个包括n个整数的数组nums和一个目标值target。找出nums中的三个整数,使得它们的和与target最接近。返回这三个数的和。假定每组输入只存在唯一答案。示例 :例如,给定数组 nums = [-1,2,1,-4], 和 target = 1.与 target 最接近的三个数的和为 2. (-1 +原创 2021-01-14 14:25:38 · 118 阅读 · 0 评论 -
LeetCode50题-Day3-11/14/15
LeetCode50题(17天)-Day37盛最多水的容器题号:11难度:中等https://leetcode-cn.com/problems/container-with-most-water/给定 n 个非负整数 a1,a2,…,an,每个数代表坐标中的一个点 (i, ai) 。在坐标内画 n 条垂直线,垂直线 i 的两个端点分别为 (i, ai) 和 (i, 0)。找出其中的两条线,使得它们与 x 轴共同构成的容器可以容纳最多的水。说明:你不能倾斜容器,且 n 的值至少为 2。图中垂直原创 2021-01-13 13:49:06 · 79 阅读 · 0 评论 -
HOG特征描述算子-行人检测---CV基础
计算机视觉基础-图像处理(下)-Task04 HOG特征描述算子-行人检测4.1 简介本次任务将学习一种在深度学习之前非常流行的图像特征提取技术——方向梯度直方图(Histogram of Oriented Gradients),简称HOG特征。HOG特征是在2005年CVPR的会议发表,在图像手工特征提取方面具有里程碑式的意义,当时在行人检测领域获得了极大成功。学习HOG特征的思想也有助于我们很好地了解传统图像特征描述和图像识别方法,本次任务我们将学习到HOG背后的设计原理,和opencv的实现。原创 2020-07-06 21:09:28 · 307 阅读 · 0 评论 -
Haar特征描述算子-人脸检测---CV基础
计算机视觉基础-图像处理(下)-Task03 Haar特征描述算子-人脸检测3.1简介Haar-like特征最早是由Papageorgiou等应用于人脸表示,在2001年,Viola和Jones两位大牛发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》和《Robust Real-Time Face Detection》,在AdaBoost算法的基础上,使用Haar-like小波特征和积分图方法进行人脸检测,他原创 2020-07-02 19:18:17 · 249 阅读 · 0 评论 -
LBP特征描述算子---CV基础
计算机视觉基础:图像处理(下)-Task02 LBP特征描述算子-人脸检测2.1 简介LBP指局部二值模式(Local Binary Pattern),是一种用来描述图像局部特征的算子,具有灰度不变性和旋转不变性等显著优点。LBP常应用于人脸识别和目标检测中,在OpenCV中有使用LBP特征进行人脸识别的接口,也有用LBP特征训练目标检测分类器的方法,OpenCV实现了LBP特征的计算,但没有提供一个单独的计算LBP特征的接口。也就是说OpenCV中使用了LBP算法,但是没有提供函数接口。2.2 学习原创 2020-06-28 16:23:26 · 192 阅读 · 0 评论 -
Harris角点检测---CV基础
计算机视觉基础-图像处理(上)-Task01 Harris角点检测1.1 简介在图像处理领域中,特征点又被称为兴趣点或者角点,它通常具有旋转不变性和光照不变性和视角不变性等优点,是图像的重要特征之一,常被应用到目标匹配、目标跟踪、三维重建等应用中。点特征主要指图像中的明显点,如突出的角点、边缘端点、极值点等等,用于点特征提取的算子称为兴趣点提取(检测)算子,常用的有Harris角点检测、FAST特征检测、SIFT特征检测及SURF特征检测。本次任务学习较为常用而且较为基础的Harris角点检测算法,它原创 2020-06-24 15:36:56 · 196 阅读 · 0 评论 -
windows系统下python快速注释多行
除了对每一行前面添加#的注释方式外(如若要注释多行,这种方式较慢),我们还可以考虑另外两种注释方式:1、Ctrl + / (先选中要注释的代码,再按Ctrl + /)2、用’’’ ‘’'或者""" “”"将要注释的代码置于多个单/双引号之间即可。...原创 2020-05-10 14:17:48 · 779 阅读 · 0 评论